Research into Demand Planning

alancehu

这是吊人胃口！

crazybugcn

真是抱歉啊，最近忙于解决系统性能的问题，对一个2700万数据的需求预测值做Top-Down处理，竟然跑了6天还没跑完，自己都没想到啊。

所以一直没有时间来续写。。。。

敬请原谅。

crazybugcn

迟到的帖子，再次报以深深的歉意，请兄弟姐妹们原谅。

下面我将讲讲使用加权移动平均法进行需求预测。

大家应该注意到，简单移动平均法中的各元素的权重都是相等的，而加权移动平均法中的权重可以不同，当然权重之和必须等于1。一般来说，越靠近预测周期的哪些历史周期应该拥有更高的权重。

下面举例来说明，我会规避那种一味用数学方式来表达的做法，力图用业务语言来描述实际的商业需求。

如，一家百货公司在预测第5个月的需求预测时，会采用第4个月实际需求的40%，第3个月实际需求的30%，第2个月实际需求的20%，第1个月实际需求的10%来预测第5个月的需求。换句话说，就是对历史需求赋予不同的权重，在这个例子中，第4个月的权重是0.4，第3个月的权重是0.3，第2个月的权重是0.2，第1个月的权重是0.1。假设其历史需求纪录为下：

第一个月110        第二个月90        第三个月105         第四个月95          第五个月？
                                                                                                              

假如我们采用的取4个周期的历史需求作为加权移动平均来计算的话，则第5个月的需求预测值为：
Forecast = 0.4 * 95 + 0.3 * 105 + 0.2 * 90 + 0.1 * 110
              = 38 + 31.5 + 18 + 11
              =98.5

大家可以对比一下，如果使用简单移动预测（采用的取4个周期的历史需求），则预测值为下：
Forecast = (110 + 90 + 105 + 95) / 4
              = 400 / 4
              = 100


权重的选择：

根据经验、跟踪和误差是选择权重的最简单的方法。一般而言，最近期的数据是预示未来情况最好的依据，因为其权重应该大些。例如，根据上个月的利润和生产能力相比根据几个月前的数据能更好的评估下个月的利润和生产能力。

但是，如果数据是季节性的，则权重也应该是季节性的。例如，去年7月的冰淇淋销量权重应该比去年12月的权重大（大家注意哦，我说的是北半球哦 ）

可见，加权移动平均法能区别对待历史数据，因而在这方面要优于简单移动平均。

然而，它比指数平滑法复杂且成本高。

我们接下来就讨论指数平滑法。


（待续......）

wayne.sunw

看楼主忙了好久了，顶一下。 说说我们公司的Demand Planning.

Company Background: FMCG industry, Skin Care, Face Care, Lip ............

In my company, our marketing team responsible for the demand planning, We are not only doing Sale Forecast, we are doing Sale Inventory Forecast. Basically, we are forecasting for stock taken. The reason is in most FMCG industry, before products are sold in the market, some repakking work are needed. Therefore, it is common to move sales forecast accordingly to reflect this kind of activities. A little bit of inventory positioning.

Forecasting mostly depends on marketing experience and they just simply use average of last few months of actual sales figure as the reference. Actually from what I know now, most of case marketing will have a budget first and then to determine the forecast quantity to hit this budget. Every year there are some percentage of increase. Most likely, marketing "PUSH" the product to market via all kinds of media to convice consumer to buy the product. Yes, they will do adjustment every month per real sale figure. But that only the adjustment. In my own opnion, the acutal customer demand is a very important indicator during this process becuase acutal sales figure is really affected by so many factors.

Above is very pratical way how a company doing forecast. But what I want to point out is forecasting is a complicated process. Yes, mathmatics modeling will defintely help but not everything. And a simple modeling can just work.

crazybugcn

wayne.sunwei你好，不知你是否浏览过我在前几楼说的话：
---------------------

前面我就说过，要全面理解需求规划，那么理解需求预测是非常核心的内容之一，所以我选择的方式是从需求预测开始讨论，才有以下的话语：

最初由 crazybugcn 发布
[B]“对于需求规划，我想，首先，也是最重要的核心之一就是需求预测。所以今天我们就聊聊需求预测。

对于每一个商业组织和每一个重要的经营管理决策而言，预测是至关重要的。他是企业制定长期计划的基础。
” [/B]

后来因为发现网友已经对需求规划和需求预测有混为一谈的倾向，所以我才又特地补充了如下的发言：

最初由 crazybugcn 发布
[B]“需求计划 <> 需求预测
讨论到这里，我想，不得不强调一个基本问题：需求计划是不等于需求预测的。大家切勿将需求计划与需求预测等同起来。

正如大家熟悉的一个很有名故事一样：微机原理不等于是计算机原理。

以SAP APO为例，其中的Demand Planning模块除了提供传统的统计法法作为预测工具之外，还提供了促销计划工具、产品生命周期概念、假设分析、新产品发行的阶段计划以及联合预测方法，甚至这个模块可为数据库整合OLAP工具(SAP BW)。

因为对于预测而言，历史数据往往只能起到一定的作用，为了达到更精确的预测，必须采用更多的信息作为预测的输入数据，如上面提到的非限定偶然因素、季节模式、生命周期模式、促销模式等等, 甚至提供CPFR。”[/B]

所以，直到现在为止，我希望能先将需求预测的相关东西讲完后，再讨论需求规划的其他问题。

请大家谅解。


---------------------

crazybugcn

wayne.sunwei：从你说的情况来说，我觉得你们更偏向于sales forecast和对快速消费品的一定程度上的库存计划，如果要把这种情况说是需求规划，说实话，个人保留意见。

顺便请问一下，你们使用的是什么软件厂商的产品呢？还是仅仅用MS Excel做出来的？

alancehu

终于等到新帖了，收藏先。

牛博士

我翻译的书对预测解释得十分清楚，先说说单个产品的预测（图表和例子全都省略了）：

如果产品有销售历史,那么其销售历史是预测未来销售最好的指导。如果你使用时间序列分析(time-series analysis),就可以用标准的公式来分析销售历史, 找出重复出现的模式, 并使用这些模式来预计未来的销售量。

时间序列分析可以随你的要求既可以简单也可以复杂。  对于销售曲线平坦的产品来说,你的预测可能就是上月的销售量。 对于随时间显示出一定趋势的产品来说, 用滚动平均数(moving average)的方法来预测下月销售量可能就足够了。 但如果一个产品的销售历史展现出较复杂的模式的话, 或者你想更进一步预测未来几个月的销售量的话, 那么你就要利用整个模型。  整个模型可以按照销售历史的情况分解成四个截然不同的部分:

1.        水平部分(level component)        就是平均销售额的数字。所有其他部分都可以认为在平均数的基础上变化
2.        趋势部分(trend component)        就是反映出销售额增长或减少趋势的一条直线
3.        季节部分(seasonal component)        是一根可以反映出每年销售额随季节变化的曲线
4.        随意部分(random component)        代表所有的变差,和原因无关,也不随着时间的变化显示特别的模式

前三个部分叫做系统部分(systematic component)。之所以这么说是因为他们都随着时间表现出持续性的变化从而可以进行预测。 每一个部分在时间序列分析的模型中都由一个参数来代表。 在你利用时间序列分析时,模型首先通过不断地调整这三个参数使它们尽可能地符合历史销售量的数据。 然后来预计将来的销售量。


根据定义, 我们无法预测随意部分。 但是模型可以估计这个部分的随意程度并对未来做出预计,从而得知将来预测数量的浮动范围。 许多预测工具根据预测的散点画出置信区间(confidence interval)(如图10.3 所显示)来直观地显示数据变动的范围。 在这个例子中, 真实需求量落在散点上下的两条短线之间的区间的概率是90%,落在区间之外的概率只有10%。 因此你应该有足够的信心相信真实需求量就在如图所示的区间内。

需求预测的最远的时间段叫做预测地平线(forecast horizon)。 如果时间序列模型有效的话,你可以随你所愿来设置无论多么遥远的将来。 预测的精度将随着将来的遥远程度而急剧地下降。 假如预计下个月产品需求的数量是130个, 实际需求最有可能在120和140之间。 与此形成鲜明对比的是, 在预测地平线上, 需求量最有可能落在75到230个之间, 相差3倍之多! 实际上,如果你把预测地平线的设定超过未来12到18个月，这时候的预测没什么太大的意义。

你可以通过不断更新的销售数据来更新对其将来的预测,这样可以极大地提高预测的精确度, 这种方法叫动态预测(dynamic forecasting)。 在以前, 因为预测是用手工做的,最常用的方法是静态预测(static forecasting)，也就是说一旦预测产生以后，将在整个的预测期内使用而不做调整。 由于计算机的广泛应用, 现在大部分的公司都采用动态预测法了。 设想我们不断地把每个月放到最左边,那么后几个月的置信区间会急剧缩小。

在商业上做预测的好处是可以在一定程度上消除对于将来需求量可预见的变化性,从而使你的生产计划更精确。 让我们举一个例子来说明这一点。 假设有两家公司试图预测同样的需求 我们通过分布曲线的展开范围得知需求量的变化性很大。 但是大部分的变化性都是由销售的增长和季节的变化引起的。 可是Ａ公司没有使用预测的工具,所以它必须要在整年度内随时准备应对可能发生的大批量的需求， 这是一个昂贵的方案,它不仅大大增加了安全库存而且不得不预留更多的生产能力。 公司B用了预测的技术来消除可预见的变化性, 这样使每个月的预测需求量和实际需求量相差很小。 这样安全库存大量减少,生产能力也得到充分利用。 从而公司B和公司A相比, 财务上处于明显的优势。

crazybugcn

推销？广告？

最初由 牛博士 发布
[B]
这样安全库存大量减少,生产能力也得到充分利用。 从而公司B和公司A相比, 财务上处于明显的优势。
[/B]

呵呵，可不一定哦，假如两家公司都是作石油生意的：
A公司：由于预测很不准确，结果导致大量的石油库存，误差超过2000万桶，导致囤积了2000万桶，当初采购进货的时候是19-25美元每桶。
B公司：预测忒准确，进货基本刚好满足客户需求，库存大大减低啊，领导相当满意。

结果到了年度财务核算：
B公司：发现之赚了那么点点钱。
A公司：发现赚的钱好像比A公司小那么点点，但是发现自己囤积了好多好多的石油啊，现在油价是70美元每桶，如果促销销售的话，大大的发了阿。领导感叹，预测不准真是好啊！发达了！！

B公司得知A公司的情况后，老板直呼：还TMD预测呢,这年头，连JIT都过时了哦

crazybugcn

希望有机会向你请教，请多多指点。